Automatización para la Industria 4.0_C124

14 FOOD & BEVERAGE Y AUTOMATIZACIÓN La detección de productos defectuo- sos en la línea de producción de fideos instantáneos se implementó exacta- mente de acuerdo con el método de tres pasos descrito más arriba. En pri- mer lugar, se capturaron los datos del sensor a través de los terminales de entrada analógicos y digitales EL1xxx o EL3xxx EtherCAT, y TwinCAT Scope View. Posteriormente, el modelo de aprendizaje automático se entrenó a través del entorno de código abierto Scikit-learn y se generó a partir de él el archivo de descripción del modelo. El preprocesamiento necesario de los datos del sensor se implementó con la función TwinCAT Condition Monitoring en el sistema de control. A continua- ción, el archivo BML correspondiente se desplegó en un PC integrado CX51xx que ejecuta el modelo en tiempo real con la ayuda del tiempo de ejecu- ción de TwinCAT Machine Learning y emite los resultados de inferencia para identificar los productos defectuosos a través de un terminal de salida digital EtherCAT EL2xxx. Según Tianjin FengYu, la apertura del sistema es una gran ventaja de la tecnología de control de Beckhoff y resultó muy beneficiosa en este caso, porque pudo integrarse en el controlador principal existente de otro fabricante de la línea de produc- ción sin mucho esfuerzo. LA PLATAFORMA ABIERTA ACELERA EL DESARROLLO DE ALGORITMOS La validación de algoritmos de apren- dizaje automático suele ser un trabajo prolijo y laborioso debido a las prue- bas necesarias y a las visitas frecuentes asociadas a los clientes finales. Sin embargo, la plataforma de software abierta TwinCAT permite validar los algo- ritmos de forma eficiente sin necesidad de acceder directamente a lamáquina. Los datos registrados en una máquina de producción se separan en datos de entrenamiento y datos de validación antes de iniciarse el entrenamiento del modelo. A continuación, solo se utiliza el conjunto de datos de entre- namiento para entrenar el algoritmo de aprendizaje automático. El conjunto de datos de validación se puede uti- lizar inicialmente en el entorno de entrenamiento para probar el rendi- miento del algoritmo aprendido con datos desconocidos. Tras portar correctamente el preprocesa- miento de datos e integrar el algoritmo de aprendizaje automático en TwinCAT, la validación se puede realizar sobre la basedel códigodeproducción. El código se ejecuta en un sistema de prueba o en el PC integrado o industrial que se utiliza realmente, y el conjunto de datos de validación se transfiere al entorno de TwinCAT en tiempo real para su uso como una fuente de datos virtual por medio de las funciones de TwinCAT Database Server. Se adopta la misma frecuencia de muestreo que con los sensores in situ, lo que permite simular demanera óptima la situación concreta en las instalaciones del cliente final. Del mismomodo, puedenusarse los nuevos conjuntos de datos recopilados en la máquina de producción en el entorno de prueba para explorar una amplia variedad de situaciones. Por último, los datos de prueba permiten validar toda la aplicación de aprendizaje automático en el PC integrado, a fin de valorarla y garantizar su funcionamiento seguro. El desarrollo, la verificación y la valida- ción mediante la plataforma TwinCAT abierta eliminan la necesidad de probar los algoritmos de aprendizaje automá- tico en plantas industriales y aceleran considerablemente la fase de imple- mentación. Según Tianjin FengYu, esto contribuyó a que el avance del proyecto conjunto en esta empresa de alimen- tación apenas se viera afectado por la pandemia del coronavirus. LAS CAPACIDADES MULTITAREA Y MULTINÚCLEO GARANTIZAN EL APRENDIZAJE AUTOMÁTICO EN TIEMPO REAL El algoritmo de aprendizaje automático se ejecuta en el CX51xx en tres pasos: • Captura de datos del sensor • Preprocesamiento de los datos • Ejecución de modelos de aprendi- zaje automático para la detección de productos defectuosos. Por un lado, hay que tener en cuenta que la inspecciónde productos requiere una alta frecuencia de muestreo para capturar los datos del sensor durante todo el proceso de corte. Por otro lado, se requiere una frecuencia de ejecución más lenta para poder pro- cesar los datos capturados y ejecutar el modelo de aprendizaje automático. Sin embargo, esta aparente contradicción para dos secuencias en tiempo real en una tarea PLC puede resolverse muy bien con las capacidades multitarea y